台裔天才的 Arc Institute 6.5 億美元實驗：如果科學家不用寫計畫書

Fox Hsiao

07 3月 2026 — 11 min read

全世界最聰明的科學家，有將近一半的時間不是在做科學。

他們在寫計畫書。美國國家衛生研究院（NIH）每年收到超過 8 萬份研究經費申請，通過率大約 20%，每五位教授花幾個月準備的計畫只有一位拿得到錢，其他人明年重來，就算拿到了也只有 3 到 5 年的保障，期限到了又得重新申請。

多項研究估計，美國教授平均花 30% 到 50% 的工作時間在申請、管理和報告經費上。如果你是一位基因工程學家，你花在填表格的時間可能跟做實驗差不多。

2021 年底，三個人決定做一場 6.5 億美元的實驗。他們創辦了 Arc Institute，告訴科學家一句話：「不用寫計畫書，去做你認為最重要的研究。」

四年後的成績單足以說明一切。兩篇同日登上《自然》（Nature）期刊的基因編輯突破、Forbes 2024 年五大醫學突破之一，以及一個能讀懂地球上超過 10 萬種生物 DNA 的 AI 模型 Evo 2，今年三月再次登上《自然》。

不用寫計畫書的研究機構

Arc Institute 的規則很簡單，但每一條都跟學術界的傳統完全相反。

最核心的制度是「核心研究員」（Core Investigator），被選上的科學家直接拿到 8 年的全額研究經費，足以支撐一個 20 人的實驗室團隊，完全不用寫計畫書。傳統學術界的經費週期是 3 到 5 年一輪的競爭性審查，Arc 直接拉到了 8 年，而且可以續約。

這個設計背後有一個很實際的考量，真正重大的科學發現往往需要 5 年以上的持續投入。如果你每 3 年就要擔心經費會不會斷，你不太可能去碰那些最有野心但最沒把握的題目。

除了核心研究員，Arc 還設計了兩種更靈活的機制。「創新研究員」（Innovation Investigator）讓合作大學的科學家申請 5 年 100 萬美元的研究經費，不用離開原本的學校；「點燃獎助」（Ignite Award）則提供 10 萬美元的一年期小額資助，專門支持 Stanford、UC Berkeley 和 UCSF 三所合作大學的研究者測試新想法。

Arc 在 Palo Alto 的總部還建了一系列「技術中心」，涵蓋機器學習、基因體工程、多體學分析等方向的共享基礎設施，這些設備單一實驗室根本買不起，但在 Arc 所有研究員都能用。

用白話來說，Arc 把科學家從行政工作中解放出來，給他們錢、團隊和設備，然後只有一個要求：做你覺得重要的事。

支付帝國背後的科學夢

Arc 的三位共同創辦人分別是 Patrick Hsu、Silvana Konermann 和 Patrick Collison。Patrick Collison 最廣為人知的身份是 Stripe 的共同創辦人暨執行長（CEO），Stripe 是全球最大的線上支付基礎設施公司，估值超過 900 億美元。但 Collison 對科學研究制度的關注，跟他對支付系統一樣認真。

COVID-19 疫情期間，Collison 和經濟學家 Tyler Cowen 共同發起了 Fast Grants 計畫，在 48 小時內審核並發放科研經費，讓科學家不用等半年的官僚流程就能立刻開始做疫情相關研究。Fast Grants 的成功讓 Collison 更加確信，科學研究最大的瓶頸是制度本身。

Silvana Konermann 是 Stanford 的神經科學副教授，也是 Collison 的太太。她本身就是一線科學家，對學術界的經費制度有第一手的痛苦體驗。這對夫妻檔一個懂怎麼打造全球級的基礎設施，一個理解科學研究的實際需求，再加上第三位共同創辦人 Patrick Hsu，Arc 的創始團隊就此成形。

Arc 的創始捐款超過 6.5 億美元。捐贈者名單本身就是矽谷和加密貨幣圈的名人堂，包括 Stripe 共同創辦人 Patrick 和 John Collison 兄弟、以太坊創辦人 Vitalik Buterin、Facebook 共同創辦人 Dustin Moskovitz 和他的太太 Cari Tuna、天使投資人 Ron Conway、General Catalyst 執行長 Hemant Taneja，還有華爾街量化交易巨頭 Jane Street 的捐款。

台北出生的基因工程天才

Patrick Hsu 1993 年出生在台北，後來移居美國，從小在家自學。14 歲的時候他已經在 Stanford 的實驗室裡做研究，大學在 UC Berkeley 唸生物工程，然後進入 Harvard 的 Broad Institute，在 CRISPR 先驅 Feng Zhang 的指導下攻讀博士，21 歲拿到學位。

學術成就來得很快，2015 年入選 Forbes「30 Under 30」科學類，2017 年入選 MIT Technology Review「35 Innovators Under 35」，而真正讓他在科學界一戰成名的是他在 Arc 發表的 bridge RNA 研究，後面會細談。

但 Hsu 不只做科學，他同時是矽谷最活躍的生技天使投資人之一。在加入 Thrive Capital 擔任創投合夥人（Venture Partner）之前，他和前 GitHub 執行長 Nat Friedman 以及 Daniel Gross 共同運作 NFDG 基金，2023 年以 11 億美元規模起步，據報導在兩年內翻了四倍。

Hsu 的個人投資戰績同樣亮眼。他早期投資了 Cognition AI，也就是 AI 軟體工程師 Devin 的開發商，這家公司在 2024 年 3 月的 A 輪估值是 3.5 億美元，到了 2025 年 9 月已經飆到 102 億美元，紙面報酬接近 29 倍。其他投資包括太空製藥公司 Varda Space Industries（累計募資 3.29 億美元）、AI 蛋白質工程平台 Cradle.bio（客戶包括 Johnson & Johnson 和 Novo Nordisk），以及 AI 醫療記錄公司 Abridge（最新估值 53 億美元）。

一個 30 出頭的人，同時在《自然》期刊發論文和在創投圈創造數十倍回報。這種雙棲身份在矽谷也極其罕見。

比 CRISPR 更精準的新工具

2024 年 6 月，Hsu 的實驗室在《自然》期刊同時發表兩篇論文，宣布發現一種全新的基因編輯工具 bridge RNA（橋接 RNA）。

要理解 bridge RNA 為什麼重要，先得知道基因編輯在做什麼。人類的 DNA 就像一本 30 億個字母寫成的說明書，記載了你身體運作的所有指令。有時候其中一個字母寫錯了，就可能導致疾病，例如鐮刀型貧血症就是一個字母的差異。基因編輯要做的事就是找到那個錯字，把它改對。

CRISPR 是目前最主流的基因編輯工具，你可以把它想像成一把分子等級的剪刀，能精確找到 DNA 上的特定位置然後剪開。但「剪開」只是第一步，接下來得靠細胞自己的修復機制來補上正確的版本，而這個修復過程並不完全受控，有時候會出錯。

Bridge RNA 的邏輯完全不同。與其拿剪刀剪開 DNA 再祈禱修復正確，bridge RNA 更像文書軟體裡的「尋找並取代」功能。每個 bridge RNA 分子上有兩個可以獨立編程的迴圈，一個辨認目標 DNA 的位置，另一個攜帶要插入的新 DNA 片段，透過一種叫做「重組」的機制直接在目標位置完成精確的插入、刪除或反轉，完全不需要先切斷 DNA。

在大腸桿菌的實驗中，bridge RNA 達到了超過 60% 的插入效率和超過 94% 的位置精確度。

換個比喻來說，CRISPR 是你拿剪刀把書裡的一段話剪掉，然後希望有人幫你在正確的地方貼上新段落。Bridge RNA 是你直接在電腦裡按 Ctrl+H，一步完成尋找並取代。Forbes 把這項發現列入 2024 年五大醫學突破。

讀懂所有生命 DNA 的 AI

2026 年 3 月 4 日，Arc 再次登上《自然》，這次是一個叫 Evo 2 的生物學 AI 模型。

先說問題在哪。人類的 DNA 有 30 億個字母，但我們到現在還不知道大部分字母在做什麼。當一個病人做了基因檢測，醫生常常會發現幾百個「不確定意義的變異」，知道你的 DNA 跟別人不一樣，但判斷不了哪些差異是致病的、哪些只是無害的個體差異。用傳統實驗方法一個一個去驗證，一個突變可能就要花好幾個月。

Evo 2 要解決的就是這個問題。它的概念跟 ChatGPT 很像，ChatGPT 讀了整個網路的文字來學會寫文章，Evo 2 讀了地球上超過 10 萬種生物的 DNA 序列來學會「讀懂」基因的語法規則。規模上，Evo 2 大版本有 400 億個參數，訓練資料包含 9.3 兆個核苷酸，涵蓋細菌、古菌、真核生物和噬菌體四大生命域。

學會了之後它能做什麼？

第一，它能當基因突變的快速篩選器。你給它一段 DNA 序列然後改動其中一個字母，它能判斷這個突變是無害的還是致病的。過去需要幾個月實驗才能確認的事，Evo 2 幾秒鐘就能給出預測。在 BRCA1 基因（與乳癌高度相關）的致病性突變預測上，它的表現尤其出色，而且不需要針對特定疾病做額外訓練。

第二，它能從零開始「寫」出全新的 DNA。如果說預測突變是「讀懂」基因語言，那生成新 DNA 就是「用這個語言寫作」。Evo 2 設計的基因組片段比過去任何方法都更自然、更連貫，理論上它能設計出一個完整細菌基因組長度的全新 DNA 序列。這意味著未來有可能從頭設計出能製造特定藥物的微生物，或是能抵抗乾旱的農作物基因。

Arc 和 NVIDIA 合作開發了 Evo 2，並且把所有東西都開源了，模型參數、訓練程式碼、推理程式碼和訓練資料集 OpenGenome2 全部公開。上線以來 GitHub 下載超過 8.8 萬次，API 收到超過 800 萬次請求。